معرفی محصول
این محصول آموزشی به مبحث طبقه بندی تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب می پردازد.
همواره جامعه سنجش از دور به تحقیقات مرتبط با طبقه بندی تصویر توجه داشته است. زیرا نتایج طبقه بندی اساس بسیاری از برنامه های زیست محیطی و اقتصادی است. تعداد زیادی روش برای طبقه بندی وجود دارد و انتخاب روش مناسب به کاربرد، فضای داده و انتخاب کاربر بستگی دارد.
برخی از طبقه بندهای معروف عبارتند از:
طبقه بندی درختی: یادگیری درخت تصمیم گیری یکی از روش های مدل سازی است که در آمار، داده کاوی و یادگیری ماشین مورد استفاده قرار می گیرد. از یک درخت تصمیم گیری به عنوان یک مدل پیش بینی استفاده می شود تا از مشاهدات مربوط به یک مورد (که در شاخه ها مشاهده می شود) به نتیجه گیری در مورد مقدار هدف مورد (که در برگ ها آمده است) برسد.
طبقه بندی SVM: در يادگيري ماشيني، ماشين هاي بردار پشتيبان (SVM ها) مدل هاي يادگيري هستند كه داده هاي مورد استفاده براي طبقه بندي و تحليل رگرسيون را تحليل مي كنند. الگوریتم ماشين بردار پشتيبان (SVM) یک ابزار یادگیری محبوب است که راه حل هایی را برای مشکلات طبقه بندی و رگرسیون ارائه می دهد.
طبقه بندی Naive Bayes: طبقه بندی های Naive Bayes بسیار مقیاس پذیر هستند و به تعدادی از پارامترهای خطی نیاز دارند. آموزش Maximum-likelihood را می توان با ارزیابی یک عبارت محدود انجام داد. یعنی برای آموزش به صورت خطی به زمان نیاز دارد، در حالی که بسیاری از انواع دیگر طبقه بندی ها، در یک فرم تکرار شونده آموزش می بینند.
طبقه بندی KNN: الگوریتم KNN روشی غیر پارامتری است که نزدیکترین همسایگان را در شناسایی الگوی پیدا می کند.
طبقه بندی LDA: این طبقه بندی روشی برای یافتن ترکیب خطی از ویژگی ها است که دو یا چند کلاس را جدا می کنند. از LDA به عنوان طبقه بندی خطی یا برای کاهش ابعاد قبل از طبقه بندی اصلی استفاده شود.
ویژگی های محصول
- قیمت: تومان
- مدرس: دکتر محمد کاکوئی
- تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
- موضوع: آموزش طبقه بندی تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب
- نرم افزار: متلب
- مخاطب: علاقه مندان سنجش از دور در محیط متلب
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
- داده های تمرینی: دارد
- پیش نیاز: آموزش مقدماتی پردازش تصاویر ماهواره ای و سنجش از دور در نرم افزار متلب
معرفی مدرس
- دکتر محمد کاکوئی
- متخصص سنجش از دور و برنامه نویسی پردازش تصاویر ماهواره ای
- متخصص پردازش موازی با واحد پردازنده گرافیکی GPU
- متخصص یادگیری ماشین و هوش مصنوعی
- دارنده مدرک کارشناسی الکترونیک از دانشگاه شهید بهشتی
- دارنده مدرک کارشناسی ارشد الکترونیک از دانشگاه علم و صنعت
- دارنده مدرک دکتری الکترونیک از دانشگاه صنعتی نوشیروانی
- مدرس دانشگاه
- دارای چندین مقاله ISI و ISC
- ارائه چندین مقاله در کنفرانس های بین المللی
نیاز کاربر ، مقیاس منطقه مورد مطالعه ، وضعیت اقتصادی و مهارت تحلیلگر عوامل مهمی است که در انتخاب داده های سنجش از دور، طراحی روش طبقه بندی و کیفیت نتایج طبقه بندی تأثیر می گذارد
عناوین آموزشی
- معرفی دوره
- فرخوانی تصویر، نمایش آن و مدیریت باندها
- برچسب زنی داده ها
- طبقه بندی درخت تصمیم گیری
- طبقه بندی SVM
- طبقه بندی Naive Bayes
- طبقه بندی KNN
- طبقه بندی LDA
- طبقه بندی Ensemble
- طبقه بندی در تصویر هوایی
معرفی نرم افزار
در این محصول، از نرم افزار متلب «MATLAB» استفاده شده است که دارای قابلیت بالایی در برنامه پذیری و پیاده سازی الگوریتم های پردازش تصویر است. متلب این یک زبان برنامه نویسی اختصاصی است که توسط MathWorks ساخته شده است و امکان کار با ماتریس ها و توابع، ترسیم داده ها و اجرای الگوریتم را فراهم می کند.
در MATLAB می توان:
- داده را تحلیل کرد
- الگوریتم ها را توسعه داد
- مدل های دلخواه را ایجاد کرد
همچنین، این نرم افزار دارای توابع تعریف شده زیادی در حوزه پردازش تصویر و یادگیری ماشین است که از جمله میتوان به طبقه بندی تصویر، خوشه بندی تصویر، بهبود تصویر، کاهش نویز و تبدیل های هندسی تصویر اشاره کرد.
داده ها
در این محصول آموزشی از تصاویر ماهواره ای سنتینل 2 (Sentinel-2) و تصاویر هوایی NAIP استفاده شده است.
سنتینل 2 توسط سازمان فضایی اروپا پرتاب شده است و مأموریت آن شامل تصویربرداری با طیف گسترده، با وضوح بالا و پشتیبانی از مطالعات زمین، از جمله بررسی پوشش گیاهی، پوشش خاک و آب و همچنین مشاهده آبراه های داخلی و مناطق ساحلی است. داده سنتینل 2 حاوی 13 باند طیفی است که شامل باندهایی با رزولوشن ها 10، 20 و 60 متر است. علاوه بر این ، سه باند QA در آنجا حضور دارند که یک (QA60) باند بیت ماسک با اطلاعات ماسک ابر است.
طی برنامه ملی تصویر برداری کشاورزی (NAIP) در فصل های رشد کشاورزی در ایالات متحده آمریکا، تصویربرداری هوایی انجام می شود. تصاویر NAIP دارای رزولوشن مکانی با قدرت تفکیک 1 متر هستند. تصاویر قدیمی تر با استفاده از 3 باند (قرمز، سبز و آبی: RGB) وجود دارند، اما تصاویر جدیدتر معمولاً علاوه بر باندهای RGB دارای یک باند نزدیک مادون قرمز (NIR) هستند.
منطقه مورد مطالعه
تکنیک ارائه شده در این محصول آموزشی به هیچ مکانی محدود نبوده و برای تمامی نقاط دنیا قابل استفاده است.
کاربرد این محصول
طبقه بندی سنجش از دور یک فرآیند پیچیده است و به عوامل زیادی نیاز دارد. مراحل اصلی طبقه بندی تصویر می تواند شامل موارد زیر باشد:
- تعریف شاخص های طیفی (شناسایی سایه، محیط شهری، ….)
- پیش پردازش تصاویر ابرطیفی برای کاهش ابعاد در بخش های بعدی یادگیری ماشین
- پردازش تصاویر نوری در فضاهای مختلف رنگ
- تعیین یک سیستم طبقه بندی مناسب
- انتخاب نمونه های آموزشی
- پردازش تصویر
- استخراج ویژگی ها
- انتخاب روش طبقه بندی مناسب
نیاز کاربر ، مقیاس منطقه مورد مطالعه ، وضعیت اقتصادی و مهارت تحلیلگر عوامل مهمی است که در انتخاب داده های سنجش از دور، طراحی روش طبقه بندی و کیفیت نتایج طبقه بندی تأثیر می گذارد.
مخاطب این محصول
مخاطبان این محصول آموزشی افرادی هستند که قصد دارند الگوریتم های سنجش از دور را در محیط متلب (MATLAB) پیاده سازی کنند. استفاده از الگوریتم های طبقه بندی داری مخاطبان زیادی در حوزه سنجش از دور است. مخاطبان این محصول ممکن است:
- به طبقه بندی نوع سطح زمین بپردازند
- به طبقه بندی نوع کشت علاقه مند باشند
- در حوزه شناسایی نوع گیاه و پوشش گیاهی فعالیت کنند
- محیط شهری را شناسایی کنند
- میزان تخریب را طبقه بندی کنند
- ویژگیهای خاک را طبقه بندی کنند
- و……
سوال دارید؟
در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است. هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.
علی علی یاری
در تاریخ
با سلام
مطالب این دوره در (آموزش جامع پردازش تصاویر سنجش از دور با متلب) هم موجود هست؟
احمد نجفی
در تاریخ
سلام
تا حدی موجود است. اگر ان دوره را تهیه کرده نیازی به تهیه این مورد ندارید.
حسین
در تاریخ
سلام
چنتا سوال داشتم در مورد این آموزش
۱. ویدئو معرفی اجرا نمیشه.
۲. کد نویسی انجام شده با استفاده از کتابخانه و توابع آماده متلب هست یا مختص طبقه بندی مربوطه کد نویسی انجام شده؟
۳. موارد طبقه بندی در چه حوزه ای پیاده سازی شده اند؟
با تشکر
دکتر محمد کاکوئی
در تاریخ
سلام
۱- آقای نجفی لطفا بررسی کنید.
۲- پردازش تصویر در متلب ترکیبی از کدنوسی های محض تا استفاده از توابع متلب برای طبقه بندی است. در این آموزش برای برچسب زنی داده ها از APP موجود در متلب استفاده شده است. برای بقیه قسمت ها کدنویسی تدریس میشود.
۳- در این محصول آموزشی از تصاویر ماهواره ای سنتینل ۲ (Sentinel-2) و تصاویر هوایی NAIP استفاده شده است و پوشش اراضی (Land Cover) استخراج شده است.
دکتر محمد کاکوئی
در تاریخ
سلام
۱- آقای نجفی لطفا بررسی کنید.
۲- پردازش تصویر در متلب ترکیبی از کدنوسی های محض تا استفاده از توابع متلب برای طبقه بندی است. در این آموزش برای برچسب زنی داده ها از APP موجود در متلب استفاده شده است. برای بقیه قسمت ها کدنویسی تدریس میشود.
۳- در این محصول آموزشی از تصاویر ماهواره ای سنتینل ۲ (Sentinel-2) و تصاویر هوایی NAIP استفاده شده است و پوشش اراضی (Land Cover) استخراج شده است.
sedighe paghe
در تاریخ
سلام آقای دکتر روزتون بخیر
من این محصول آموزشی رو تهیه کردم و در قسمت کلاس بندی دو خط از کدتون رو متوجه نمیشم تو همین محصول ذکر کردیند که توضیحات بیشتر در محصول خوشه بندی هست ولی متاسفانه باز متوجه نشدم (:) G_Vec = G تو این خط چرا باید ماتریس G باید ستونی بشه و اینکه G_Vec هیچ جای دیگه استفاده نمیشه
و سوال دومم اینه Class1 = I_Vec(G==1, : ); راجع به این خط هست چطور میتونیم بگیم تو (I_Vec(G==1 وجود داره چطور این دو رو بهم ارتباط دادین. ممنون میشم من رو راهنمایی کنید باتشکر
دکتر محمد کاکوئی
در تاریخ
سلام
در مورد سوال اول؛ در بحث آموزش لزوما همه خط های کد مستقیم استفاده نمیشه و کد با توضیحات و مباحث اضافی همراه است.
در مورد سوال دوم؛ ابتدا G==1 یک ماتریس دودویی برمیگرداند که در جاهایی که مقدار آن برابر 1 باشد نشان دهنده کلاس 1 است. سپس متغیر class1 در نقاط مدنظر، مقدار I_Vec را میگیرد.
موفق باشید
فاطمه
در تاریخ
سلام آقای کاکویی بنده به دنبال یافتن راه حلی برای تماس با شما هستم
من این محصول رو آماده کردم اما این روش بر اساس فراخوانی توابع است برای هر کدام از روش های احتمالی موجود در پکیج مثلا شبکه بردار.حداکثر احتمال یا روش دیگری شما امکان ارایه کدنویسی محضالگوریتم را دارید؟
بنده به کدنویسی محض برای طبقه بندی نیاز دارم و حتی داشتن کد یک روش کفایت میکند